通过声音检测击键是通过将监听设备放置在目标附近来实现的
每当我对发现和/或开发的获取信息和访问 X 部分、破解 X 设备的方法印象深刻时，直到现在仍然让我着迷的是那些基于CPU 风扇产生的声音来获取信息，以及使用透视墙等等。
这就是为什么就我个人而言，我真的很喜欢在博客上分享此类新闻 今天我要分享的新闻是关于 的发展 一个方法 他创建了一个研究团队 它基于检测键盘上输入的信息 分析附近智能手机记录的或附近麦克风拾取的击键声音时，准确率达 95%。
经验证的输入检测准确性 优于所有声学分析方法 每个符号的字符 先前已知的 他们不使用语言模型。 例如，所提出的方法可用于确定输入的密码或键入的消息，在攻击者将智能手机放在受害者旁边或在输入机密信息时接收录音的情况下（例如，当受害者在通信过程中登录时）一些信息系统的密码）。
随着深度学习的最新发展、麦克风的普及以及通过个人设备提供的在线服务的兴起，声学侧通道攻击对键盘的威胁比以往任何时候都更大。
使用基于机器学习模型的分类器重新创建输入，该模型考虑按下不同按键时的声音特征和音量级别。
有人提到 要进行攻击，需要对模型进行初步训练，这需要将输入声音与有关按下的按键的信息进行匹配。 在理想条件下，可以使用受攻击计算机上安装的恶意软件来训练该模型，从而可以同时记录麦克风的声音并拦截击键。
在更现实的场景中，可以通过将输入文本消息与视频会议记录的音频集进行匹配来收集训练模型所需的数据。 基于 Zoom 和 Skype 视频会议输入分析训练模型时，输入检测准确度分别略有下降至 93% 和 91,7%。
在使用 Zoom 会议音频训练机器学习模型的实验中，用不同的手指以不同的力度连续按下键盘上 36 个键（0-9、a-z）中的每一个键 25 次。
有关每次按下的声音的数据被转换成图像 频谱图反映了声音的频率和幅度随时间的变化
频谱图 转移到基于 CoAtNet 模型的分类器进行训练，用于人工视觉系统中的图像分类。 也就是说，在训练过程中，将图像与每次击键的频谱图以及按键名称进行比较。 为了确定声音按下的按键，CoAtNet 模型根据传输的声谱图返回最可能的按键，类似于通过图像识别物体时返回最可能的标签。
未来，研究人员打算探索通过记录智能扬声器的声音来重新创建键盘输入的可能性，并使用在整个单词的上下文中对输入进行分类的语言模型来提高确定输入文本的准确性。
最后 如果您有兴趣了解更多有关它的信息，您可以在中查看详细信息 以下链接。